[论文解读] Predictive and Prescriptive Analytics for Location Selection of Add-on Retail Products

Teng Huang, David Bergman+1 more|arXiv (Cornell University)|Apr 3, 2018

Consumer Market Behavior and Pricing参考文献 30被引用 3

一句话总结

本文提出了一种联合预测与处方分析框架，用于优化附加零售产品的扩展，利用机器学习预测衍生需求，并通过混合整数优化选择高影响力扩展位置。该方法相较于基线策略，使预期销售额最高提升14.25%，当通过距离衰减空间权重矩阵建模时，空间自相关显著提高了预测准确性。

ABSTRACT

In this paper, we study an analytical approach to selecting expansion locations for retailers selling add-on products whose demand is derived from the demand of another base product. Demand for the add-on product is realized only as a supplement to the demand of the base product. In our context, either of the two products could be subject to spatial autocorrelation where demand at a given location is impacted by demand at other locations. Using data from an industrial partner selling add-on products, we build predictive models for understanding the derived demand of the add-on product and establish an optimization framework for automating expansion decisions to maximize expected sales. Interestingly, spatial autocorrelation and the complexity of the predictive model impact the complexity and the structure of the prescriptive optimization model. Our results indicate that the models formulated are highly effective in predicting add-on product sales, and that using the optimization framework built on the predictive model can result in substantial increases in expected sales over baseline policies.

研究动机与目标

• 开发一种数据驱动的框架，用于在零售连锁中选择扩展附加产品销售的最优位置。
• 解决衍生需求的挑战，即附加产品销量依赖于实体门店的基底产品销量。
• 将预测建模与优化相结合，超越基于基底产品销量的简单启发式方法，实现扩展决策的自动化与优化。
• 评估空间自相关对零售扩展中预测准确性与优化性能的影响。

提出的方法

• 在销售点数据、人口统计数据（收入、人口）以及空间权重矩阵上训练多种机器学习模型——线性回归、线性核SVR和径向核SVR。
• 引入随距离衰减的空间权重矩阵，以建模基底产品需求中的空间自相关性。
• 使用Moran’s I检验验证空间自相关性，并确定何时应在预测模型中包含空间特征。
• 制定混合整数优化模型（EO-P*），在容量约束下选择最优扩展站点，使用表现最佳模型的预测结果。
• 通过在替代预测模型（LR、LK、RK）上测试EO-P*解的稳定性，评估解的鲁棒性，以确保一致性和可靠性。
• 实施一种处方优化框架，以在考虑非线性预测模型引入的复杂性的同时，最大化预期销售额。

实验结果

研究问题

• RQ1 基底产品需求中的空间自相关性如何影响附加产品销量预测模型的准确性？
• RQ2 在衍生需求预测模型中引入空间权重矩阵会产生何种影响？
• RQ3 联合预测-处方框架是否能优于仅基于基底产品销量的基线扩展策略？
• RQ4 在不同预测模型和数据配置下，最优扩展决策的鲁棒性如何？
• RQ5 在非线性预测模型的背景下，模型复杂性与优化性能之间的权衡是什么？

主要发现

• 预测模型在样本外的平均绝对百分比误差约为20%，优于类似情境下的现有文献表现。
• 仅当Moran’s I检验确认存在空间自相关性时，引入空间权重矩阵才能提升预测准确性。
• EO-P*优化框架相较于基线策略，使预期销售额最高提升14.25%，且在多个区域和预测模型中均保持一致增益。
• EO-P*的解在所有测试的预测模型中均一致优于基线方法，仅在一种情况下例外（Region 2的LK模型），表明其具有强大鲁棒性。
• 优化模型的结构与复杂性直接受预测模型非线性特性的影响，凸显了预测与处方建模之间的相互依赖性。
• 鲁棒性检验确认，即使在替代预测模型上评估，EO-P*的解仍保持卓越性能，增强了管理者对推荐结果的信心。